无法观测到，因此，我们无法“真正”进行因果检验。<注："反事实观测之所以重要，是因为如果事件A没有发生，我们仍然观察到了事件B的发生，那说明事件A不一定是导致事件B发生的原因，至少不是唯一原因。同时，如果知道了如果事件A没有发生的情况下事件B的状态，我们就可以估计出因果效应。">为了解决这个问题，一个基本的思路就是，想办法构造出事件X没有发生的反事实案例。比如，在a案例下（或称为a样本）X发生了，我们观察到Y；我们希望可以在b案例下（或称为b样本）观察若X不发生，Y是否也不发生。只要a与b在除X事件之外，其他条件非常相似，那么我们可以将b案例中X事件的不发生，近似地作为a案例中X事件发生的反事实结果。通过比较a案例与b案例中Y事件发生与不发生的情况，我们可以推测X事件是否是Y事件发生的原因。<注："但是，当我们看到b案例中，X事件不发生，Y事件也发生时，我们不能直接排除X事件是Y事件的原因这一结论，因为可能存在其他因素（在a，b中都存在）同时影响到了X事件与Y事件。因此我们需要更多的观测样本，更仔细地比较不同样本（或案例）之间其他因素的差异。">当差异性案例或样本足够多时，其他因素对事件Y的影响就越来越随机，我们进而可以更加准确地获知X事件对于Y事件的影响。同时，我们也可以利用定量方法来检验X事件与Y事件之间的关系，而非逐个进行案例比较。
图1反事实框架下的因果效应<注："由于无法观测实际的因果效应，图中为随机因果效应。">
因果关系的识别要求我们能够找到相似案例进行反事实推断，然而案例之间往往存在诸多不同，因此有相当多干扰因素(confounders)会影响到我们结论的可靠性。尤其是当某些干扰因素因不可知而被我们遗漏时，因果推断会遇到极大挑战。如果我们能够找到某个历史场景，存在两个相似案例（地区或者组别），由于某种历史偶然性，其中一个案例发生了外生变化或者具有某种特征（这个变化或特征及其导致的结果正是我们关心的），而另一个案例没有发生这种变化或没有这种特征，那么我们就可以利用这样一种“历史自然实验”(historicalnaturalexperiment)来检验该变化与特征对于我们关心结果的影响(DiamondandRobinson2010；CantoniandYuchtman20
